一种基于胎心超声影像的数据处理方法及系统与流程

本发明涉及胎心超声影像，尤其涉及一种基于胎心超声影像的数据处理方法及系统。

背景技术：

1、胎心超声影像（fetal heart ultrasound imaging）是一种重要的胎儿监测工具，用于评估胎儿的心脏结构和功能。胎心超声的影像数据可以提供丰富的诊断信息，有助于识别先天性心脏缺陷、评估胎儿的生长发育、以及监测胎儿的健康状况，同时通过高级算法对影像数据进行处理，自动提取关键信息，如心脏的形态特征、心腔的尺寸和功能参数等。这不仅能够提升诊断的准确性和一致性，还能显著减少医生的工作负担，提高临床效率。同时，这些技术可以在早期检测到潜在的心脏问题，从而改善产前护理和胎儿健康管理。因此，研究和发展基于胎心超声影像的数据处理方法，不仅在技术上具有重要意义，还能够推动临床实践的进步和孕产妇及胎儿健康的改善。然而，传统的一种基于胎心超声影像的数据处理方法存在着对胎心变异信号分析不精确以及对心脏功能的联动性分析不明确的问题。

技术实现思路

1、基于此，有必要提供一种基于胎心超声影像的数据处理方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于胎心超声影像的数据处理方法，所述方法包括以下步骤：

3、步骤s1：通过多普勒胎心仪进行胎心超声影像实时数据采集，得到实时胎心超声影像；对实时胎心超声影像进行心脏轮廓结构识别，得到心脏轮廓结构数据；

4、步骤s2：对心脏轮廓结构数据进行心脏结构运动模式分析，得到心脏结构运动模式数据；对心脏结构运动模式数据进行声波微变异检测，得到收缩声波微变异数据；根据收缩声波微变异数据进行微变异强度趋势分析，得到微变异强度趋势数据；

5、步骤s3：根据微变异强度趋势数据对收缩声波微变异数据进行声波应激响应识别，得到微变异声波应激响应数据；根据微变异声波应激响应数据对实时胎心超声影像进行心脏功能联动性评估，得到心脏功能联动性数据；

6、步骤s4：根据微变异强度趋势数据以及心脏功能联动性数据进行胎心超声影像自动化流程设计，得到胎心超声影像自动化处理固件；将胎心超声影像自动化处理固件发送至云平台，以执行胎心超声影像的数据处理。

7、本发明通过多普勒胎心仪能够实时获取胎儿的心脏超声影像，这种影像提供了高分辨率的视觉信息，能够显示胎儿心脏的实时结构和功能状态，通过分析胎心超声影像，可以识别和测量胎儿心脏的轮廓结构。这对于评估心脏的形态和大小异常至关重要，有助于早期发现心脏畸形或其他结构问题，胎儿心脏的运动模式分析可以揭示心脏在收缩和舒张过程中的运动方式和节奏。这种分析有助于评估心脏功能的正常性和异常情况，声波微变异是指心脏收缩期间的微小振动或震动，可以通过胎心超声数据进行检测和分析。这些微变异的变化可以提供关于心脏肌肉功能和收缩力的重要信息，通过对声波微变异数据进行强度趋势分析，可以监测和评估胎儿心脏在不同时间点的收缩力和心脏肌肉的弹性情况。这对于检测潜在的心脏功能问题或疾病非常关键，通过分析微变异强度趋势数据，可以识别出在胎心收缩过程中产生的声波应激响应。这些响应反映了心脏肌肉的收缩情况和心脏功能的反应性，利用微变异声波应激响应数据，可以对实时胎心超声影像进行联动性评估。这种评估可以揭示不同部位心脏肌肉的协调性和同步性，从而更全面地了解胎儿心脏的功能状态，基于微变异强度趋势数据和心脏功能联动性数据，可以设计出胎心超声影像的自动化处理流程。这种流程可以自动化地分析、标记和归档胎心超声影像，提高数据处理的效率和一致性，设计好的自动化处理流程转化为固件或软件实现，称为胎心超声影像自动化处理固件。这样的固件可以集成在多普勒胎心仪或相关设备中，实现实时数据处理和分析。因此，本发明是对传统的一种基于胎心超声影像的数据处理方法做出的优化处理，解决了传统的一种基于胎心超声影像的数据处理方法存在着对胎心变异信号分析不精确以及对心脏功能的联动性分析不明确的问题，提高了对对胎心变异信号分析精确度以及对心脏功能的联动性分析的能力的问题。

8、优选地，步骤s1包括以下步骤：

9、步骤s11：通过多普勒胎心仪进行胎心超声影像实时数据采集，得到实时胎心超声影像；

10、步骤s12：对实时胎心超声影像进行影像增强处理，得到胎心超声影像优化数据；

11、步骤s13：对胎心超声影像优化数据进行灰度值结构调整，得到胎心超声影像灰度调整数据；

12、步骤s14：根据胎心超声影像灰度调整数据对实时胎心超声影像进行心脏轮廓结构识别，得到心脏轮廓结构数据。

13、本发明多普勒胎心仪能够实时捕获胎儿心脏的超声波信号，并转换为可视化的实时胎心超声影像。这种实时数据提供了对胎儿心脏结构和功能的即时视觉反馈，是后续分析的基础，影像增强技术可以改善超声图像的对比度、清晰度和细节表现，从而更准确地显示胎儿心脏的各种解剖结构。这种优化有助于医生更精确地识别和评估心脏轮廓，通过调整胎心超声影像的灰度值，可以优化图像的整体亮度和对比度，使得心脏的各个部位更清晰可见。这对于检测小的结构变化或细微的异常非常关键，有助于提高诊断的准确性，基于优化的胎心超声影像数据，系统可以准确识别和测量胎儿心脏的各个部位和结构轮廓。这些数据对于评估心脏形态的正常与异常至关重要，有助于早期发现心脏畸形或其他结构问题。

14、优选地，步骤s2包括以下步骤：

15、步骤s21：根据实时胎心超声影像对心脏轮廓结构数据进行心脏结构运动模式分析，得到心脏结构运动模式数据；

16、步骤s22：对心脏结构运动模式数据进行收缩声波数据提取，得到心脏收缩声波数据；

17、步骤s23：对心脏收缩声波数据进行声波微变异检测，得到收缩声波微变异数据；

18、步骤s24：根据心脏收缩声波数据对收缩声波微变异数据进行微变异信号分布特性分析，得到微变异信号分布特性数据；

19、步骤s25：根据微变异信号分布特性数据进行微变异强度趋势分析，得到微变异强度趋势数据。

20、本发明通过分析实时胎心超声影像中的心脏轮廓结构，可以获取心脏在不同时期的运动模式数据。这些数据包括心脏在收缩和舒张时的运动路径、速度和节奏，有助于评估心脏的整体功能状态和动态特征；从心脏结构运动模式数据中提取心脏收缩期间的声波数据。这些数据反映了心脏在收缩时产生的声波信号，是评估心脏收缩力和心肌活动的重要指标之一。对心脏收缩声波数据进行微变异检测，以捕获和分析声波中微小的振动或波动。这些微变异反映了心脏肌肉的收缩力和心脏肌肉纤维的状态变化，是评估心脏功能的敏感指标。根据收缩声波微变异数据，分析微变异信号在时间和空间上的分布特性。这些特性包括微变异信号的强度、持续时间、频率和空间分布，有助于深入理解心脏肌肉活动的动态变化。基于微变异信号分布特性数据，进行微变异强度的趋势分析。这种分析能够揭示心脏收缩力的变化趋势，帮助检测心脏功能的任何异常或发展趋势。

21、优选地，步骤s23包括以下步骤：

22、步骤s231：对心脏收缩声波信号进行波形密度计算，得到收缩波形密度数据；

23、步骤s232：根据收缩波形密度数据对心脏收缩声波信号进行多尺度近似形态划分，得到多尺度波形形态近似数据；

24、步骤s233：对多尺度波形形态近似数据进行相位空间重构，得到波形相位空间重构数据；对波形相位空间重构数据进行lyapunov指数计算，得到波形平均指数发散率；

25、步骤s234：根据波形平均指数发散率对多尺度波形形态近似数据进行相邻波形突变点发散率均差计算，得到波形突变点发散率均差数据；

26、步骤s235：利用cusum算法以及波形突变点发散率均差数据对多尺度波形形态近似数据进行微弱突变点强度计算，得到波形微弱突变点强度数据；

27、步骤s236：根据波形突变点发散率均差数据以及波形微弱突变点强度数据对心脏收缩声波数据进行声波微变异检测，得到收缩声波微变异数据。

28、本发明通过对心脏收缩声波信号进行波形密度计算，可以获取每个收缩周期内波形的密度分布情况。这些数据可以反映出心脏收缩过程中波形的稳定性和一致性，有助于评估心脏肌肉的收缩力和心脏功能的稳定性，根据波形密度数据，对心脏收缩声波信号进行多尺度近似形态划分。这一步骤旨在捕捉波形在不同时间和空间尺度上的变化模式，为后续分析提供详细的形态特征，过对多尺度波形形态近似数据进行相位空间重构，得到更具信息量的波形相位空间重构数据。这种重构可以揭示出波形在相位空间中的结构和动态特征，利用波形相位空间重构数据计算lyapunov指数，用于评估波形的复杂度和系统的非线性特征。lyapunov指数的计算有助于理解心脏收缩过程中的动态稳定性和混沌特性，根据lyapunov指数，计算多尺度波形形态近似数据中相邻波形突变点的发散率均差。这些数据反映了波形变化的速率和波动的平均分布情况，对于识别和分析波形的微小变异非常重要，结合cusum算法和波形突变点发散率均差数据，计算心脏收缩声波数据中微弱突变点的强度。这些微弱突变点反映了心脏肌肉活动中存在的微小变异，是评估心脏功能变化的敏感指标之一，根据波形突变点发散率均差数据和波形微弱突变点强度数据，最终进行声波微变异检测。这些微变异数据可以提供关于心脏收缩力、肌肉协调性和功能异常的详细信息，有助于早期发现和治疗心脏问题。

29、优选地，步骤s25包括以下步骤：

30、步骤s251：对微变异信号分布特性数据进行非线性分布特征识别，得到微变异信号非线性分布数据；

31、步骤s252：根据微变异信号非线性分布数据进行非线性变异信号包络分析，得到非线性变异信号包络数据；

32、步骤s253：对非线性变异信号包络数据进行非线性震荡变化速率计算，得到非线性震荡变化速率数据；

33、步骤s254：根据非线性震荡变化速率数据对非线性变异信号包络数据进行变异信号趋势贝叶斯推断，得到变异信号趋势推断数据；

34、步骤s255：根据变异信号趋势推断数据以及非线性震荡变化速率数据进行微变异强度趋势分析，得到微变异强度趋势数据。

35、本发明通过对微变异信号分布特性数据进行非线性分布特征识别，得到了微变异信号的非线性分布数据。这些数据可以揭示出信号的复杂特性，如分布的偏度、尾部厚度等，有助于理解信号的非线性特征和统计学行为，基于微变异信号的非线性分布数据，进行非线性变异信号包络分析。这一步骤旨在提取信号的包络线，即变异信号在时间或空间上的主要变化趋势，从而捕捉信号的整体变异模式和主要趋势，对非线性变异信号包络数据进行分析，计算非线性震荡的变化速率。这些数据可以量化信号在包络内部的快速波动或变化的频率和幅度，帮助分析信号的动态特性和不稳定性，根据非线性震荡变化速率数据，使用贝叶斯推断方法对非线性变异信号包络数据进行趋势推断。这一步骤能够推断出信号的长期趋势或周期性变化，为后续的信号预测和趋势分析提供基础，结合变异信号趋势推断数据和非线性震荡变化速率数据，进行微变异强度趋势分析。这些数据能够量化微变异信号的强度变化趋势，帮助识别信号中的短期或局部变化，对于了解信号的变化模式和评估信号变异的强度非常重要。

36、优选地，步骤s3包括以下步骤：

37、步骤s31：根据微变异强度趋势数据对收缩声波微变异数据进行声波应激响应识别，得到微变异声波应激响应数据；

38、步骤s32：对微变异声波应激响应数据进行分解递归量化处理，得到微变异声波应激响应量化数据；

39、步骤s33：根据微变异声波应激响应量化数据以及微变异强度趋势数据对实时胎心超声影像进行心脏功能联动性评估，得到心脏功能联动性数据。

40、本发明根据微变异强度趋势数据，对收缩声波微变异数据进行声波应激响应的识别。这一步骤旨在捕捉声波信号中由微变异引起的应激响应，即在特定反应动作刺激下声波信号的变化响应。通过这种方式，可以确定声波信号中与心脏功能相关的微变异响应特征，对声波应激响应数据进行分解递归量化处理，得到更加精细化和可量化的微变异声波应激响应数据。这些量化数据能够更准确地描述声波信号中微小变化的性质和强度，为后续的分析和评估提供更多的定量指标，根据微变异声波应激响应量化数据和微变异强度趋势数据，对实时胎心超声影像进行心脏功能联动性评估。这一步骤可以揭示声波信号与心脏功能之间的关联程度和相互作用。

41、优选地，步骤s32包括以下步骤：

42、步骤s321：对微变异声波应激响应数据进行频域转换，得到声波应激响应频域数据；

43、步骤s322：对声波应激响应频域数据进行峰值增长速率计算，得到声波峰值增长速率数据；

44、步骤s323：根据声波峰值增长速率数据对声波应激响应频域数据进行结构等级分解，得到声波应激结构等级分解数据；

45、步骤s324：根据声波应激结构等级分解数据对声波应激响应频域数据进行分解递归量化处理，得到微变异声波应激响应量化数据。

46、本发明通过对微变异声波应激响应数据进行频域转换，将其转换到频域上。这一步骤的主要目的是将时域的声波信号转换为频域表示，以便更好地分析声波信号的频率特征和频率分布情况，在频域数据的基础上，计算声波的峰值增长速率。这个速率反映了频域中声波峰值的增长速度，可以帮助识别和描述声波信号中微小变化的动态特性，根据声波峰值增长速率数据，对声波应激响应频域数据进行结构等级分解。这个步骤能够将频域数据分解成不同的结构等级，从而更好地理解声波信号中复杂的频域结构和成分，最后，根据声波应激结构等级分解数据，对声波应激响应频域数据进行分解递归量化处理。这一步骤产生的数据能够更精确地量化描述声波信号中微小变异的特征，包括频域中的结构性变化和微弱信号的特征。

47、优选地，步骤s33包括以下步骤：

48、步骤s331：根据微变异声波应激响应量化数据以及微变异强度趋势数据对实时胎心超声影像进行微变异应激状态下的心脏状态映射处理，得到微变异心脏状态应激数据；

49、步骤s332：根据微变异心脏状态应激数据进行微变异应激状态下的心搏输出量评估，得到微变异心搏输出量数据；

50、步骤s333：基于微变异心搏输出量数据进行心室容积变化率计算，得到微变异心室容积变化率数据；

51、步骤s334：利用深度q网络算法对微变异心搏输出量数据以及微变异心室容积变化率数据进行心脏功能联动性评估，得到心脏功能联动性数据。

52、本发明根据微变异声波应激响应量化数据和微变异强度趋势数据，对实时胎心超声影像进行处理，以映射微变异应激状态下的心脏状态。这一步骤能够有效地将复杂的声波数据转换为可理解的心脏状态应激数据，有助于识别和描述心脏在微变异条件下的动态变化和状态，基于微变异心脏状态应激数据，进行对心脏搏动输出量的评估。这一步骤可以帮助确定心脏在微变异条件下的每次收缩中输出的血液量，是评估心脏泵血功能的关键指标之一，根据微变异心搏输出量数据，计算心室在微变异条件下的容积变化率。这一数据反映了心脏在每个心跳周期中心室容积的动态变化，可以提供关于心脏充盈和泵血能力的详细信息，利用深度q网络算法，综合考虑微变异心搏输出量数据和微变异心室容积变化率数据，进行心脏功能联动性的评估。这一步骤不仅能够分析心脏在微变异条件下的单个功能指标，还可以揭示它们之间的复杂关联和互动，提供全面的心脏功能状态评估。

53、优选地，对微变异心搏输出量数据以及微变异心室容积变化率数据进行心脏功能联动性评估包括以下步骤：

54、对微变异心搏输出量数据以及微变异心室容积变化率数据进行数据特征合并，得到微变异心脏功能特征数据；

55、利用paddle梯度裁剪算法对微变异心脏功能特征数据进行数据梯度限制处理，得到微变异功能特征梯度限制数据；

56、对微变异功能特征梯度限制数据进行特征权重平衡处理，得到功能特征梯度限制平衡数据；

57、利用深度q网络算法对功能特征梯度限制平衡数据进行微变异心脏功能状态分析学习，得到微变异心脏功能状态分析模型；

58、基于微变异心脏功能状态分析模型进行心脏功能联动性评估，得到心脏功能联动性数据。

59、本发明将微变异心搏输出量数据和微变异心室容积变化率数据进行特征合并。这一步骤的关键在于将两种不同但相关的数据源整合成一个统一的数据集，以便后续的处理和分析，通过paddle梯度裁剪算法对合并后的微变异心脏功能特征数据进行梯度限制处理。这一过程有助于稳定数据的范围和梯度，确保后续算法在处理时不会因为数据的异常值或极端梯度而产生不良影响，对梯度限制后的数据进行特征权重平衡处理。这涉及到调整各个特征之间的权重或归一化处理，以确保各个特征对最终结果的贡献在算法学习过程中是平衡的，利用深度q网络算法对经过梯度限制和权重平衡处理的数据进行学习和分析。这一步骤旨在从数据中学习微变异心脏的功能状态，包括识别模式、建立预测模型或者生成对心脏功能状态的深入理解，基于学习到的微变异心脏功能状态分析模型，进行心脏功能的联动性评估。这一步骤的主要目的是评估不同心脏功能特征之间的关联性和互动模式，从而提供全面的心脏功能状态评估，为临床决策和治疗提供支持。

60、优选地，本发明还提供了一种基于胎心超声影像的数据处理系统，用于执行如上所述的基于胎心超声影像的数据处理方法，该基于胎心超声影像的数据处理系统包括：

61、心脏轮廓结构识别模块，用于通过多普勒胎心仪进行胎心超声影像实时数据采集，得到实时胎心超声影像；对实时胎心超声影像进行心脏轮廓结构识别，得到心脏轮廓结构数据；

62、声波微变异分析模块，用于对心脏轮廓结构数据进行心脏结构运动模式分析，得到心脏结构运动模式数据；对心脏结构运动模式数据进行声波微变异检测，得到收缩声波微变异数据；根据收缩声波微变异数据进行微变异强度趋势分析，得到微变异强度趋势数据；

63、心脏功能联动性评估模块，用于根据微变异强度趋势数据对收缩声波微变异数据进行声波应激响应识别，得到微变异声波应激响应数据；根据微变异声波应激响应数据对实时胎心超声影像进行心脏功能联动性评估，得到心脏功能联动性数据；

64、自动化设计模块，用于根据微变异强度趋势数据以及心脏功能联动性数据进行胎心超声影像自动化流程设计，得到胎心超声影像自动化处理固件；将胎心超声影像自动化处理固件发送至云平台，以执行胎心超声影像的数据处理。

65、本发明的有益效果，通过多普勒胎心仪能够实时获取胎儿的心脏超声影像，这种影像提供了高分辨率的视觉信息，能够显示胎儿心脏的实时结构和功能状态，通过分析胎心超声影像，可以识别和测量胎儿心脏的轮廓结构。这对于评估心脏的形态和大小异常至关重要，有助于早期发现心脏畸形或其他结构问题，胎儿心脏的运动模式分析可以揭示心脏在收缩和舒张过程中的运动方式和节奏。这种分析有助于评估心脏功能的正常性和异常情况，声波微变异是指心脏收缩期间的微小振动或震动，可以通过胎心超声数据进行检测和分析。这些微变异的变化可以提供关于心脏肌肉功能和收缩力的重要信息，通过对声波微变异数据进行强度趋势分析，可以监测和评估胎儿心脏在不同时间点的收缩力和心脏肌肉的弹性情况。这对于检测潜在的心脏功能问题或疾病非常关键，通过分析微变异强度趋势数据，可以识别出在胎心收缩过程中产生的声波应激响应。这些响应反映了心脏肌肉的收缩情况和心脏功能的反应性，利用微变异声波应激响应数据，可以对实时胎心超声影像进行联动性评估。这种评估可以揭示不同部位心脏肌肉的协调性和同步性，从而更全面地了解胎儿心脏的功能状态，基于微变异强度趋势数据和心脏功能联动性数据，可以设计出胎心超声影像的自动化处理流程。这种流程可以自动化地分析、标记和归档胎心超声影像，提高数据处理的效率和一致性，设计好的自动化处理流程转化为固件或软件实现，称为胎心超声影像自动化处理固件。这样的固件可以集成在多普勒胎心仪或相关设备中，实现实时数据处理和分析。因此，本发明是对传统的一种基于胎心超声影像的数据处理方法做出的优化处理，解决了传统的一种基于胎心超声影像的数据处理方法存在着对胎心变异信号分析不精确以及对心脏功能的联动性分析不明确的问题，提高了对对胎心变异信号分析精确度以及对心脏功能的联动性分析的能力的问题。